Video Subtitles: Create SRT Files

私は、火曜日の午後11時にクライアントから電話があったときの彼女の声のパニックを今でも覚えています。彼女の会社は、50,000ドルかけて制作したフラッグシップ製品のデモをYouTubeにアップロードしたばかりで、2時間以内に字幕を要求する47件のコメントを受け取りました。オーディオが悪いからではなく、ソーシャルメディアの動画の80%が音声なしで視聴されるからです。そのたった1つの見落としが、最初の週だけで推定230万のインプレッションの損失を引き起こしました。

私はマーカス・チェンです。過去12年間、ビデオアクセシビリティコンサルタントとして独立系YouTuberからフォーチュン500企業まで幅広い人々と仕事をしてきました。その間に、34言語で18,000以上のSRTファイルを作成、編集、品質チェックしました。映画製作者の友人を助ける副業として始まったものが、技術的な正確性と人間のコミュニケーションの交差点に位置する専門的な実践に進化しました。今日は、SRTファイルを作成する際に学んだすべてをお話しします。これは、オーディエンスのリーチを左右するビデオコンテンツの隠れたヒーローです。

SRTファイルが重要な理由

ビデオコンテンツに対する考え方を永遠に変えた数字をお伝えしましょう。Verizon MediaとPublicisの研究によると、69%の消費者が公共の場で音声をオフにして動画を視聴し、25%がプライベートな設定で音声をオフにして視聴しています。これは小さなオーディエンスではありません。これは、あなたのメッセージを完全に見逃す可能性のある視聴者の大多数です。

しかし、ここからが興味深いところです。字幕付きの動画は、平均で視聴完了率が40%増加します。私は自身のクライアントポートフォリオでこの数値を追跡してきましたが、数字は驚くほど一貫しています。昨年私が働いたテックスタートアップは、適切にフォーマットされたSRT字幕を追加するだけで、チュートリアル動画の完了率が34%から58%に跳ね上がりました。それにより、最初の月に12,000人の追加ユーザーがオンボーディングプロセスを完了しました。

SRTファイル（SubRip Subtitleファイル）は、理由があって業界標準です。軽量で、互換性があり、柔軟性に優れています。動画に永久的に組み込まれた焼き付き字幕とは異なり、SRTファイルは、オンとオフを切り替えられる別のテキストファイルであり、複数の言語に翻訳でき、元のビデオに触れることなく編集できます。さまざまな市場向けにビデオを再レンダリングする代わりにSRTファイルを使用することで、企業が数十万ドルを節約するのを見てきました。

アクセシビリティの側面も同様に魅力的です。世界保健機関は、全世界で4億3,000万人が障害を伴う聴覚障害を持っていると推定しています。アメリカだけでも、約3,750万人の成人が何らかの程度の聴覚障害を抱えています。字幕を提供しない場合、視聴者を失うだけでなく、潜在的なオーディエンスの大部分を積極的に排除しています。私は、企業が十分なビデオアクセシビリティを提供しなかったために法律的措置に直面した3件の訴訟についてコンサルティングを行いました。各ケースは、法律費用を除いて、75,000ドルから250,000ドルの間で和解しました。

SRTファイル形式の理解

SRTファイルの魅力はそのシンプルさにあります。これまでの数年間で、WebVTTやTTML、独自形式など、数十の字幕形式を扱ってきましたが、SRTの優雅さと簡潔さがいつも私を引き戻します。SRTファイルは単なるプレーンテキストファイルで、.srt拡張子を持ち、任意のビデオプレーヤーが解釈できる特定の方法で構築されています。

"字幕付きのビデオと字幕なしのビデオの違いは単なるアクセシビリティだけではなく、あなたのオーディエンスの30%に届くか、100%に届くかの違いです。"

各字幕エントリーは、正確に4つの要素を含んでいます：シーケンス番号、字幕が表示される時間と消える時間を示すタイムスタンプ、字幕テキスト自体、そして次のエントリーとの間に空白行があります。以下は、基本的なエントリーの例です：

1
00:00:01,000 --> 00:00:04,000
私たちのビデオ制作に関する包括的ガイドへようこそ。

シーケンス番号（この場合は1）は各字幕をカウントするだけです。タイムスタンプは時:分:秒,ミリ秒の形式を使用します。その矢印（-->）は、開始時間と終了時間を区切ります。テキストは次の行に表示され、その後に次のエントリーを開始する前に空白行を残します。

この形式を過度に複雑にする人を見てきましたが、私の経験では、シンプルに保つことで最良の結果が得られます。タイムスタンプの精度は、思った以上に重要です。かつて、作成者がすべてのタイムスタンプを最も近い秒に四捨五入した字幕ファイルをデバッグしたことがあり、その結果、常に同期が取れていないように感じられる字幕が生まれました。人間の知覚は敏感であり、200ミリ秒の小さなタイミングのずれでも気づきます。だからこそ、SRTはミリ秒精度をサポートし、私はいつもそれを使用します。

初心者がつまずきがちな重要な詳細：SRTファイルはUTF-8エンコーディングで保存しなければなりません。私は、字幕が意味不明な文字や疑問符として表示されるケースを少なくとも200件トラブルシューティングしてきましたが、その90%はエンコーディングの問題でした。UTF-8は、特殊文字、アクセント、非ラテン文字がすべてのプラットフォームで正しく表示されることを保証します。Notepadでは、保存時にエンコーディングのドロップダウンメニューからUTF-8を選択します。より高度なエディターでは、通常デフォルトになりますが、常に確認してください。

SRTファイルを作成するためのツールとソフトウェア

これまでの数年間で、無料のオープンソースオプションから年間5,000ドルのエンタープライズソリューションまで、約60種類の異なる字幕作成ツールをテストしました。適切なツールは、完全にワークフロー、予算、ボリューム要件に依存します。私が実際に日常業務で使用している内容を基に、ツールの状況を説明します。

初心者やたまに使用する人には、Subtitle Editを始めることをお勧めします。これは、私が数え切れないプロジェクトで使用してきた無料のオープンソースのWindowsアプリケーションです。無料でありながら非常に強力です。インターフェースはビデオと字幕のタイムラインを並べて表示し、テキストを音声に同期させるのが簡単です。私はSubtitle Editで3,000以上のSRTファイルを作成しましたが、一度もクラッシュしたことはありません。波形の視覚化は特に役立ちます。音声がどこで始まりどこで止まるのかを視覚的に確認でき、タイミング調整が非常に正確になります。

Macユーザーからは代替案についてよく質問されますが、私はAegisubを教えています。これは、プラットフォームを超えて動作するもう1つの無料オプションです。Subtitle Editより少し複雑ですが、字幕のスタイリングや自動化スクリプトなどの高度な機能を提供します。私は主にアニメ字幕に取り組んでいた2年間、Aegisubを専ら使用していました。そこでのタイミングの精度が非常に重要でした。オーディオスペクトラム表示のおかげで、フレーム単位の正確なタイミングを達成することができました。

時間が金であるプロフェッショナルなワークフローの場合、クライアント作業のほとんどをDescriptやSimon Saysのようなツールに移行しています。これらのAI駆動プラットフォームは、自動的に動画を文字起こしし、SRTファイルを生成します。その後、正確さのために編集します。最近、90分の企業向けトレーニングビデオをSimon Saysを使用して処理しましたが、初期の文字起こしには12分かかり、約92%の正確さがありました。手動での修正にさらに45分かかりました。ゼロから作成するのに6-8時間かかることを考えると、15ドルのコストは無視できます。

AIの文字起こしの正確さは、過去2年間で劇的に向上しました。2021年には、クリアな音声で75-80%の正確さを見ていました。今日では、良好な音質で90-95%の正確さを定期的に見ます。ただし、これは重要な点ですが、AIは技術的な用語、固有名詞、アクセントのあるスピーチに苦労します。先月、医療教育のビデオに取り組んでいたとき、AIは「心筋梗塞」を3回連続で「私の心臓感染」と文字起こししました。人間によるレビューは絶対に不可欠です。

私が使用するステップバイステップのプロセス

何千ものSRTファイルを作成してきた後、私は速度と品質のバランスを取る体系的なワークフローにプロセスを洗練しました。これは私がワークショップで教えている正確な方法であり、クライアントの字幕作成時間を平均60%短縮しながら、正確さを向上させるのに役立っています。